基于PNN和IGS的铅锌烧结块成分智能集成预测模型

针对复杂的烧结块成分预测问题, 提出一种基于过程神经网络和改进灰色系统的铅锌烧结块成分智能集成预测模型. 首先利用过程神经网络可充分表达时间序列中时间累积效应、灰色系统可弱化数据序列波动性的特点, 分别对烧结块成分进行预测, 然后从信息论的观点出发, 提出一种确定各预测模型加权系数的熵值递推算法, 通过对两个预测模型的预测结果进行加权集成, 获得更加准确的铅锌烧结块成分预测结果. 结果表明, 智能集成模型 的预测精度高于单一预测模型, 能有效地对烧结块成分进行预测, 满足了配料计算对预测精度和数据完备性的     

灰色系统理论在烧结返矿量预测中的应用

根据灰色系统理论，提出一种残差修正的等维灰数据动态预测模型，该模型以烧结工况为对象，分析了返矿量的变化趋势，为烧结配料中加入返矿量约束提供了依据，从而解决了烧结过程中返矿量无法控制的问题。     

基于可变时序移位Transformer-LSTM的集成学习矿压预测方法

现有的矿压预测模型多为依赖固定长度时序序列特征的单一预测模型,难以准确捕捉矿压时序数据的复合特征,影响矿压预测的准确度。针对该问题,提出一种基于可变时序移位Transformer-长短时记忆（LSTM）的集成学习矿压预测方法。基于拉依达准则和拉格朗日插值法,剔除矿压监测数据中的异常值,插入缺失值,并进行归一化预处理;提出可变时序移位策略,划分不同尺度的矿压时序数据,避免固定长度时序序列可能存在的数据偏移问题;在此基础上,构建基于Transformer-LSTM的集成学习矿压预测模型,通过结合注意力机制和准确的时序特征表示能力,多层次捕捉矿压变化规律的动态特征,采用集成学习的投票算法,联合预测矿压数据,克服单一预测模型的局限性。实验结果表明：采用集成学习的投票算法可降低矿压预测平均绝对误差（MAE）和均方根误差（RMSE）的波动性,有效减小不同尺度特征序列对矿压预测结果的敏感性影响;Transformer-LSTM模型在2个综采工作面顶板矿压数据集上预测结果的MAE较Transformer模型分别提高了8.9%和9.5%,RMSE分别提高了12.7%和16.5%,且高于反向传播（BP）神...     

基于多智能集成学习的中短期电煤价格预测

为扩大电力市场交易量与下调市场电价,需要提升电煤价格预测的可靠性与准确性.为此本文提出了多智能集成学习的中短期电煤价格预测方法.首先,阐述了Stacking集成学习的结构和原理;然后,介绍了数种智能电煤价格的预测模型,并通过算例证明了不同单智能模型对数据的感知能力存在差异性;进而,通过比较单智能模型预测结果的差异值均差,筛选出预测性能优异并且数据感知角度差异性明显的智能模型组.为了充分发挥个模型感知能力差异性的优势,利用Stacking融合各模型,得到一种适用于电煤价格滚动预测的集成模型.最后,通过滚动预测2019至2020年的电煤价格,对集成模型的有效性进行验证.     

铅锌烧结过程综合透气性的集成预测模型

针对铅锌烧结过程透气性的预测具有模型不确定性和输入变量不确定性等特点,建立了综合透气性智能集成预测模型.首先建立了基于满意聚类的T-S综合透气性预测模型,针对聚类后各子模型结论参数的辨识工作计算复杂、容易陷入局部极值的问题,将混合粒子群优化算法用于这些结论参数的辨识;然后利用灰色理论建立了时间序列综合透气性预测模型;最后利用信息熵技术将2个预测模型进行集成,以获得集成预测模型.选取实际生产过程中100组合格的数据,分别用以上3种预测模型来预测相应的综合透气性,其相对误差的平均值分别为2.1%.3.2%,1.8%.实验结果表明,本文提出的集成预测方法能够有效地克服不确定性带来的影响、提高综合透气性的预测精度.     

基于烟气温度场分布的烧穿点智能集成预测方法

铅锌密闭鼓风烧结过程具有强非线性、时变和时滞等特性. 本文在分析过程热状态的基础上, 通过研究烧结机烟气温度梯度分布, 建立烟气温度分布烧穿点软测量判断模型, 结合烧穿点的动态特性, 运用智能集成建模的思想, 提出采用神经网络方法建立工艺参数预测模型, 采用灰色理论建立烟气温度分布时间序列预测模型, 通过模糊组合器综合与协调两个模型来预测烧穿点位置. 实际运行结果表明, 智能集成预测方法为铅锌烧结过程烧穿点的判断和预测提供了一种可行、有效的解决思路, 为实现过程的状态优化奠定了基础.     

铅锌烧结配料过程的智能集成建模与综合优化方法

以铅锌烧结配料过程为背景, 针对传统配料方法中存在的成本高和准确率低的问题, 提出一种智能集成建模与综合优化方法. 首先, 在建立过程神经网络模型和改进灰色系统预测模型的基础上, 利用信息论中熵值的概念, 提出一种既可保证预测精度又能满足配料计算对数据完备性要求的烧结块成分集成预测模型; 其次, 以成本最小为目标建立烧结配料优化模型, 采用基于专家推理策略和改进免疫遗传算法的定性定量综合集成方法, 实现烧结配料的优化. 仿真结果验证了该方法的有效性.     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

组合预测模型在电力系统负荷预测中的应用研究

本文基于灰色预测模型、滑动平均模型和指数平滑模型这三种单一预测模型,采用方差-协方差策略,建立组合预测模型。然后结合老挝电力系统的概况,对老挝的全国年用电量进行预测和分析。结果表明,组合预测模型的预测精度明显高于各单一预测模型,即组合预测模型的相对误差小于各单一预测模型的相对误差,说明组合预测模型具有相当的适用性和优越性。     

煤矿涌水量的灰色RBF网络预测模型

为了达到准确、快速预测煤矿涌水量的目的,实现煤矿井下可靠、节能自动排水的需要,首先采用1-AGO对数据进行处理,得到规律性较强的累加数据,建立灰色预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;利用某矿-600m工作面年均涌水量的历史数据进行建模,实验结果表明,灰色RBF模型在预测精度方面优于单一的灰色模型;其模型计算简便,减弱了数据的随机性及模型误差,提高了煤矿涌水量的预测精度。     

铅锌烧结过程烧穿点的集成预测模型

针对影响铅锌烧结过程烧穿点的因素具有不确定性的特点, 提出一种基于信息熵技术的烧穿点集成预测模型. 首先利用软测量技术获得烧穿点. 然后建立基于满意聚类的T-S预测模型以降低不确性因素所带来的影响,并将共轭梯度法和粒子群优化算法有机结合起来进行T-S模型中各个子模型的参数辨识, 以提高辨识精度. 接着建立基于工艺参数的神经网络预测模型. 最后考虑到信息熵技术具有信息融合和降低不确定性的能力, 利用其将以上预测模型进行集成. 实验结果表明所提出的集成预测模型具有较高的预测精度和较强的适应性.     

An intelligent integrated optimization system for the proportioning of iron ore in a sintering process

The proportioning of iron ore is the first step of the sintering process. It mixes different kinds of iron ores with coke, limestone, dolomite, and returned sinter to produce a raw mix for the production of qualified sinter. The chemical components and proportions of the raw materials determine the chemical and physical characteristics of the resulting sinter, and thus the quality of the sinter and the amount of SO₂ emissions. The prices of the raw materials and their proportions determine the price of the sinter. In this study, an intelligent integrated optimization system (IIOS) was developed for the proportioning step, which contains two phases: the first and second proportionings. First, the sintering process was analyzed, and the requirements of the proportioning step were specified. Next, an IIOS with two levels (intelligent integrated optimization, basic automation) was built. In the intelligent integrated optimization level, an intelligent integrated optimizer (IIO) produces an optimal dosing scheme. The IIO has three parts: a cascade integrated quality-prediction model, the optimization of the first proportioning, and the optimization of the second proportioning. Computational intelligence methods predict the quality of sinter. Then, the predicted quality indices are fed back to the optimizations of the first and second proportionings to find feasible optimal dosing schemes. The IIOS was implemented in an iron and steel plant. Actual runs show that the system reduced production costs by 43.014 CNY/t and SO₂ emissions by 0.001% on average.     

Multi-model ensemble prediction model for carbon efficiency with application to iron ore sintering process

Iron ore sintering is one of the most energy-consuming process in steel industry. Accurate prediction of carbon efficiency for this process is beneficial to energy savings and consumption reduction. Considering the sintering process exhibits strong nonlinearities, multiple parameters, multiple operating conditions, etc., a multi-model ensemble prediction model based on the actual run data is developed to achieve the high-precision prediction of carbon efficiency. It takes the comprehensive coke ratio (CCR) as a metric (index) of carbon efficiency in the sintering process. First, an affinity propagation clustering algorithm is used to realize the automatic identification of multiple operating conditions. Then, different models are established under different operating conditions by using the proposed least squares support vector machine (LS-SVM) with hybrid kernel modeling method. Finally, a partial least-squares regression method is employed as an ensemble strategy to combine the different models to form the multi-model ensemble prediction model for the CCR. The simulation results involving the actual run data demonstrate that the proposed model can predict the CCR accurately when compared with other prediction methods. The results of actual runs show that the coefficient of determination for the proposed model is 0.877. The proposed model satisfies the requirements of actual sintering process and enables the real-time prediction.     

基于案例推理的竖炉故障预报系统

为降低竖望炉焙烧过程的故障发生率,基于故障机理的分析,将过程参量预报与案例推理技术相集成,提出了竖炉焙烧过程的智能故障预报方法.参量量预报模型对不易在线连续测量但能反映故障征兆的关键工艺参数进行实时预报,在此基础上,采用案例推理技术对焙烧过程进行全面分析并给出一些典型故障发生的概率和操作指导.将所建立的故障预报系统成功应用于竖炉焙烧过程的生产实际中,故障发生率明显降低,取得了显著应用成效.     

基于集成学习的交通拥堵预测模型

The current navigation software has obvious inaccurate speed assessment when facing some serious traffic congestion, and cannot accurately predict the duration of the traffic congestion. Therefore, we propose a traffic congestion prediction model to accu- rately predict the congestion time in the face of most congestion situations through the prediction of speed. Regarding the speed pre- diction model, we select high-similarity samples based on the KNN algorithm. The prediction speed model is divided into two main models, KNN-VA and KNN-RBF, and we use an integrated learning method to fuse these two models to obtain more accurate aver- age speed prediction. Then, the congestion time can be predicted. In order to determine the congestion time, we use the RBF speed prediction method and the sampling method in a fixed area to verify. The results show that the model has high reliability for conges- tion time prediction.     

基于智能集成策略的烧结块残硫软测量模型

针对铅锌冶炼烧结过程烧结块残硫估计问题,提出了一个基于智能集成策略的软测量模型,主要包括数学模型、专家规则模型和智能协调器几部分.其中数学模型通过物料平衡方程计算烧结块残硫,方程中的部分不可解参数由神经网络估计给出.专家规则模型对残硫与主要影响因素之间的关系进行了描述.基于模糊逻辑的智能协调器根据生产条件的情况综合各模型的输出作为估计结果.工业实际数据验证表明,智能集成模型的残硫估计误差平均值仅为7.5%,而且真实反映了烧结块残硫的变化趋势,可以为生产操作提供有益的指导.     

VBR MPEG视频源流量的智能集成预测模型

由于VBR视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素,因此,以多媒体主要应用形式VBRMPEG视频源为研究对象,提出了一种基于模糊神经网络的视频流量智能预测模型。通过设计模糊预测器减少输出比特流的预测误差,采用神经网络减少多步预测的计算量。仿真试验表明,与标准AR模型预测结果相比,该模型显著提高了预测的准确度和可靠性,且易于推广使用。